تعیین الگوي مناسب براي تشخیص واگرایی خاکهاي رسی با استفاده از شبکه هاي عصبی مصنوعی

خلاصه
خاکهاي مشکل آفرین به عنوان یکی از عوامل تخریب بناهاي خاکی، شاخه اي از علم مکانیک خاك را به وجود آورده است و خاکهاي واگرا یکی از این نوع خاکها می باشند. اگر هنگام استفاده از خاك رس واگرا در سازه هاي مانند خاکریز جاده ها ، کانال هاي آب ، سد هاي خاکی وبه طور کلی تمام سازه هاي آبی خاکی این نوع خاك ها به درستی قابل شناسایی نباشند ودر محل مناسبی استفاده نشوند و یا ملاحظات لازم صورت نگیرد موجب مشکلات مهندسی جدي و خطر آفرینی میشوند. یکی از راه هاي تشخیص این نوع خاك ها میتواند مشاهدات محلی نیز باشد ولی فقدان مشخصه هاي قابل مشاهده دلیل بر عدم حضور خاك هاي رسی واگرا نیست به همین دلیل آزمایشهایی با هدف شناسایی خاك هاي رسی واگرا طراحی شد که عبارتند از آزمایش پین هول، هیدرومتري مضاعف، کرامپ و آزمایش هاي شیمیایی که براي شناسایی این نوع خاك ها توصیه میشود هر چهار آزمایش انجام شود ولی انجام این آزمایش ها مستلزم هزینه کردن وقت بسیار زیادي است و حتی ممکن است نتایج آزمایشات مختلف در تضاد با یکدیگر باشند. در طول چند دهه اخیر استفاده از شبکه عصبی مصنوعی در مدل سازي رفتار خاك ها بسیار مورد توجه قرار گرفته است. شبکه هاي عصبی رفتار ماده را از نتایج آزمایشگاهی و تجربی به طور مستقیم می آموزند. در این تحقیق بیش از 150 نمونه خاکی و تاثیر پارامتر هاي مختلف بر میزان واگرایی با استفاده از شبکه عصبی چند لایه پرسپترون که از پرکاربردترین انواع شبکه هاي عصبی در مسائل ژئوتکنیک است مورد بررسی قرار گرفته و نتایج حاصله با فرضیات مورد مقایسه قرار گرفته است. نتایج بررسی شده در محدوده اطلاعات آزمایشگاهی موجود در این تحقیق بیانگر این است که تطابق نتایج حاصل از معیار شرارد با نتایج حاصل از آزمایشات پین هول این داده ها در حدود 60 % می باشد در حالی که تطابق نتایج الگوي حاصل از شبکه عصبی و نتایج آزمایشات پین هول به 85 % تا 90 % می رسد که این نشان دهنده قدرت یادگیري و تعمیم شبکه عصبی می باشد.

کلمات کلیدي:

خاکهاي رسی، واگرایی، آزمایش پین هول، شبکه عصبی مصنوعی

نویسندگان :

بهنام محمودخانی ، محمدرضا حسنلو ، حمید شعبانزاده

اولین کنفرانس ملی عمران و توسعه ایران (1390)